实体
TinyViT-5M
TinyViT-5M
PulseAugur coverage of TinyViT-5M — every cluster mentioning TinyViT-5M across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
AI模型提高宫颈涂片分类的可信度
研究人员利用深度学习模型探索了用于宫颈涂片分类的选择性预测和不确定性感知转介。通过在Herlev宫颈涂片数据集上微调Swin-Tiny和TinyViT-5M transformer，他们发现这些模型的集成显著降低了风险覆盖曲线下面积，表明其按可信度对预测进行排名的能力有所提高。虽然集成模型改善了风险覆盖权衡，但与单个模型相比，它也导致了更差的绝对校准和更高数量的假阴性。
-
新框架提升AI在宫颈细胞学分类中的可靠性
研究人员开发了一个名为混合K集成选择的新框架，以提高使用深度学习模型进行宫颈细胞学分类的可靠性。该框架侧重于增强校准置信度和不确定性估计，这对于临床应用至关重要。研究在SIPaKMeD数据集上评估了九种深度学习架构，最终形成了包含Swin-Tiny和TinyViT-5M模型的混合2集成。与最佳的单个模型相比，该集成在降低AURC、NLL和WC-ECE等指标方面表现出显著的改进，并在各种加权场景下显示出鲁棒性。
-
New calibration method boosts AI reliability in imbalanced medical datasets
研究人员开发了一种新方法，用于提高分类模型的可靠性，特别是在数据不平衡的情况下，例如宫颈细胞学检查。该研究聚焦于Mendeley LBC数据集，使用了其原生的四类Bethesda分类法。通过采用事后温度缩放进行校准，模型在校准误差和Brier分数方面显著降低，而区分度指标基本不受影响。研究结果表明，在这种情况下，适当的校准比集成模型的大小对可靠性更重要，尽管数据集的规模不大需要考虑。